LLM w obsłudze klienta B2B: co można oddelegować modelowi, a co musi zostać przy człowieku
Firmy B2B testują modele językowe do obsługi zapytań i szybko trafiają na ograniczenia. Sprawdź, które zadania LLM wykonuje dobrze już dziś, a które wymagają nadzoru człowieka.
LLM dobrze radzi sobie z powtarzalnymi, tekstowymi zadaniami opartymi na stałej wiedzy. Źle radzi sobie z danymi w czasie rzeczywistym, wrażliwymi decyzjami handlowymi i sytuacjami, w których błąd kosztuje relację z klientem. Granica między tymi dwoma obszarami to nie kwestia modelu, tylko architektury systemu.
Czym jest LLM w obsłudze klienta B2B?
LLM (Large Language Model) to model językowy, który przetwarza tekst i generuje odpowiedzi na podstawie wiedzy zakodowanej podczas treningu oraz danych dostarczonych w kontekście (tzw. RAG, czyli Retrieval-Augmented Generation). W obsłudze klienta B2B LLM pojawia się jako chatbot na stronie, asystent do obsługi maili, narzędzie do klasyfikacji zapytań lub wewnętrzna baza wiedzy dla handlowców.
Kluczowe pojęcie: model nie "wie" nic poza tym, co dostał podczas treningu i co podasz mu w kontekście zapytania. Jeśli chcesz, żeby odpowiadał na pytania o stany magazynowe, musisz mu te dane dostarczyć w czasie rzeczywistym przez integrację z ERP lub API.
Które zadania LLM wykonuje dobrze już dziś?
Klasyfikacja i routing zapytań. Model czyta treść maila lub wiadomości i przypisuje ją do kategorii: reklamacja, zapytanie ofertowe, pytanie techniczne, prośba o fakturę. Dokładność powyżej 90% jest osiągalna przy dobrej bazie przykładów. To zadanie, przy którym LLM nie musi podejmować decyzji, tylko sortować.
Odpowiedzi na pytania FAQ oparte na dokumentacji. Jeśli firma ma dobrze ustrukturyzowaną dokumentację produktową, specyfikacje techniczne lub regulamin serwisu, LLM z RAG odpowiada na pytania klientów bez angażowania handlowca. Warunek: dokumentacja musi być aktualna i spójna. Model nie poprawia złej bazy wiedzy, tylko ją cytuje.
Drafty odpowiedzi dla handlowca. Model generuje wstępną odpowiedź na zapytanie, handlowiec weryfikuje i wysyła. Czas obsługi spada o 40–60% przy zachowaniu pełnej kontroli człowieka. To najniższe ryzyko wdrożeniowe przy realnej oszczędności czasu.
Podsumowania rozmów i transkrypcje. Po rozmowie telefonicznej lub spotkaniu LLM generuje podsumowanie z punktami akcji i wpisuje je do CRM. Narzędzia takie jak Fireflies.ai lub wbudowane funkcje Notion AI robią to w mniej niż minutę po zakończeniu rozmowy.
Wewnętrzna baza wiedzy dla zespołu. Handlowiec pyta: "jakie są warunki gwarancji dla produktu X przy zamówieniu powyżej 50 sztuk?". Model przeszukuje wewnętrzną dokumentację i odpowiada w 3 sekundy zamiast 15 minut szukania w PDF-ach. To zastosowanie często daje szybszy zwrot niż wdrożenie chatbota dla klientów zewnętrznych.
Gdzie LLM zawodzi i dlaczego?
Dane w czasie rzeczywistym bez integracji. Model nie zna aktualnych stanów magazynowych, cen z cennika dynamicznego ani statusu zamówienia, jeśli nie ma połączenia z systemem źródłowym. Firma, która wdroży chatbota bez integracji z ERP i każe mu odpowiadać na pytania o dostępność produktów, dostanie falę skarg po pierwszym tygodniu.
Halucynacje przy specyfikacjach technicznych. LLM potrafi "uzupełnić" brakującą specyfikację produktu wartością, która brzmi wiarygodnie, ale jest nieprawdziwa. W B2B błędna specyfikacja techniczna to reklamacja, zwrot lub utrata kontraktu. Rozwiązanie: odpowiedzi na pytania techniczne zawsze przez RAG z zablokowaną możliwością generowania "z głowy", gdy dokument nie zawiera odpowiedzi.
Negocjacje i wyjątki od polityki handlowej. Klient prosi o niestandardowy termin płatności, wyższy rabat lub zmianę warunków umowy. To decyzja, która wymaga wiedzy o historii relacji, rentowności klienta i uprawnień handlowca. LLM może przygotować kontekst do decyzji, ale decyzji nie podejmuje.
Wrażliwe dane klientów w kontekście zapytania. Jeśli architektura systemu pozwala modelowi widzieć dane innych klientów przy generowaniu odpowiedzi (np. przez źle skonfigurowany RAG), ryzyko wycieku informacji handlowych jest realne. To błąd projektowy, nie błąd modelu, ale firmy wdrażające LLM często go popełniają na etapie MVP.
Eskalacje emocjonalne. Klient, który jest zdeterminowany, niezadowolony lub po prostu chce rozmawiać z człowiekiem, wyczuwa bota w pierwszej wymianie. W B2B, gdzie relacja z klientem to często kontrakt na lata, eskalacja do człowieka musi być natychmiastowa i bez tarcia.
Jak wygląda architektura, która działa?
Sprawdzone podejście to model hybrydowy z trzema warstwami:
Warstwa 1: Klasyfikacja i routing. LLM czyta zapytanie i decyduje: odpowiadam sam (FAQ, status, dokumentacja), przygotowuję draft dla handlowca (zapytanie ofertowe, reklamacja), eskaluję natychmiast (wrażliwe, emocjonalne, poza kompetencją).
Warstwa 2: Odpowiedź lub draft z RAG. Model sięga wyłącznie do zdefiniowanych źródeł (dokumentacja, cennik, baza FAQ, dane z ERP przez API). Jeśli źródło nie zawiera odpowiedzi, model nie generuje jej z treningu, tylko informuje, że przekazuje zapytanie do człowieka.
Warstwa 3: Nadzór i feedback. Handlowiec widzi wszystkie odpowiedzi modelu przez pierwsze 4–8 tygodni. Błędy trafiają do bazy przykładów i poprawiają klasyfikację. Bez tej pętli system nie dojrzewa.
Wdrożenie takiej architektury w firmie B2B z istniejącym CRM i dokumentacją produktową zajmuje 6–10 tygodni. Koszt zależy od liczby integracji: samo połączenie z bazą wiedzy i klasyfikator to 8 000–15 000 zł netto, pełna integracja z ERP i CRM to 20 000–40 000 zł netto.
Kiedy LLM w obsłudze B2B zwraca się w 6 miesięcy?
Próg opłacalności to około 200 powtarzalnych zapytań miesięcznie obsługiwanych przez zespół. Przy koszcie obsługi jednego zapytania rzędu 15–25 zł (czas handlowca lub supportu) i redukcji o 50–60% automatyzacją, inwestycja 15 000 zł zwraca się w 4–6 miesięcy. Poniżej 100 zapytań miesięcznie lepszy efekt da dobrze zbudowana sekcja FAQ i baza wiedzy w Notion, bez modelu językowego w pętli.
Szczegółowy zakres wdrożenia LLM i integracji AI znajdziesz na stronie automatyzacja AI.
Najczęstsze pytania
Czym różni się LLM od zwykłego chatbota w obsłudze klienta B2B?
Zwykły chatbot odpowiada na podstawie sztywnych reguł i drzewa decyzyjnego. LLM rozumie kontekst, parafrazuje pytania i generuje odpowiedzi w języku naturalnym. W praktyce LLM radzi sobie z pytaniami, których nikt wcześniej nie przewidział, ale wymaga integracji z systemami firmowymi, żeby odpowiedzi były aktualne i zgodne z rzeczywistością.
Co to są halucynacje LLM i jak im zapobiec w środowisku B2B?
Halucynacja to sytuacja, gdy model generuje odpowiedź, która brzmi wiarygodnie, ale jest nieprawdziwa, bo brakuje jej w danych źródłowych. W B2B najczęściej dotyczą specyfikacji technicznych i warunków handlowych. Zapobiega się im przez architekturę RAG z blokadą generowania poza źródłami: jeśli dokumentacja nie zawiera odpowiedzi, model informuje o tym zamiast zgadywać.
Ile kosztuje wdrożenie LLM do obsługi klienta B2B?
Klasyfikator zapytań z bazą wiedzy (RAG) to 8 000–15 000 zł netto. Pełna integracja z CRM i ERP to 20 000–40 000 zł netto. Czas wdrożenia: 6–10 tygodni. Próg opłacalności to około 200 powtarzalnych zapytań miesięcznie przy koszcie obsługi 15–25 zł za zapytanie.
Czy LLM może samodzielnie odpowiadać na zapytania ofertowe?
Nie powinien podejmować decyzji handlowych samodzielnie. Dobrze sprawdza się jako narzędzie do przygotowania draftu odpowiedzi dla handlowca: zbiera kontekst, generuje wstępną treść, handlowiec weryfikuje i wysyła. Czas obsługi spada o 40–60% przy zachowaniu pełnej kontroli nad treścią.
Jak długo trwa zanim system LLM zaczyna działać poprawnie?
Pierwsze 4–8 tygodni to faza nadzorowanego działania: handlowiec widzi wszystkie odpowiedzi modelu, błędy trafiają do bazy przykładów. Bez tej pętli feedback'u system nie dojrzewa i jakość odpowiedzi nie rośnie. Pełna autonomia w bezpiecznych kategoriach zapytań jest możliwa po 2–3 miesiącach od wdrożenia.
Kiedy zamiast LLM wystarczy dobrze zbudowana sekcja FAQ?
Gdy firma obsługuje mniej niż 100 powtarzalnych zapytań miesięcznie lub gdy zapytania są bardzo zróżnicowane i wymagają każdorazowo decyzji człowieka. Dobrze ustrukturyzowana baza FAQ w Notion lub na stronie jest tańsza, łatwiejsza w utrzymaniu i nie generuje ryzyka halucynacji.